一個稱為數據驅動智能的新興概念是從大量數據中收集洞察力的新視角模型。本文將數據驅動的智能與更熟悉的應用程序驅動的智能模型進行對比。

信息技術最早的名稱之一是“數據處理”，它包括對數據的需求和處理，其中以處理或以計算為中心的重點占據了主導地位。從數據出生（創建）到死亡（刪除），大多數數據都在應用程序的控制范圍內。當然，在數據創建后分析數據的應用程序早已存在（例如商業智能處理），但這些應用程序只是實際 IT 用途的一小部分。

應用驅動和數據驅動智能對比

在《重塑發現》中，作者邁克爾·尼爾森討論了數據驅動的智能，并將其與人工智能和人類智能進行了對比。他將數據驅動智能定義為計算機從數據中提取意義的能力。他將其與人工智能區分開來，他說人工智能執行人類擅長的任務，旨在模仿或改善人類表現（例如下棋）和人類智能（例如我們處理視覺信息的能力）。根據尼爾森的說法，數據驅動的智能通過解決不同類型的問題來補充人類智能。

讓我們從IT的角度來研究它的含義。應用程序驅動的智能傾向于創建、讀取、更新和刪除數據，以實現初始目的，例如管理訂單處理、發貨和收款的工作流過程。相比之下，數據驅動智能將現有數據（人工或機器生成的）用于次要或額外目的，例如對電子郵件文件執行電子發現或使用從網絡收集的外部信息進行大數據分析，以增加銷售或交叉銷售客戶。首先創建感官信息（如抄表）或機器/計算機生成的信息（如日志），然后由下游流程（可能是實時的）進行分析（視情況而定）。

從IT的角度來看，應用程序開發方法以及開發人員的技能集可能有所不同；從運營角度來看，服務級別協議（SLA），例如數據的性能和可恢復性，可能必須以不同的方式進行規劃。資源（服務器、網絡、存儲）的規劃也必須有所不同。它熟悉基于應用程序驅動的智能應用程序，但必須了解更多如何處理數據驅動的智能應用程序，如大數據。

應用驅動和數據驅動智能混合應用

天下無新事。數據驅動智能（例如使用回歸分析、線性規劃和模擬建模等機器學習技術的統計分析）已經存在很長時間了。后來也出現了新的概念，包括數據倉庫、在線分析處理和數據挖掘。問題在于，高級分析、商業智能和大數據等術語被企業視為有價值的，但它們是作為孤立的IT孤島存在的。但是，查看這些孤立的（或最多是重疊的）工作，并從數據驅動的智能角度考慮這些工作，可以將它們結合在一起，以強調以數據為中心的重點的重要性。

是的，概念可以混合應用的。數據驅動的智能可以插入到一個操作系統中，例如零售以檢查信用卡是否存在欺詐，或者插入到供應鏈中的各個點。

結語

數據驅動的智能是一種附加的觀點，它拓寬了我們的理解，并不能取代應用程序驅動的智能。讓軟件智能繼續成倍增長，增加我們的理解和我們從中獲得的價值。